基于弧向判别法的不规则数码脱机识别技术

文章从不规则数码的特征出发,提出了一种识别方法———弧向判别法,结合有圆和无圆两种情况,对有平滑特征的符号识别提出了一种可行的识别方法,对0～9十个数码的正确识别率达90～100%的水平。     

用动态与最近距离相结合算法对手写体汉字样本模进行聚类处理

通过对经典的聚类方法在算法和过程上的改变，以实现对手写体汉字样本模最优聚类，从而提高对手写体汉字的识别率     

基于基本笔画运笔特征的手写体汉字特定对象笔迹鉴定的研究

本文基于汉字笔迹鉴定的有效特征，结合基本笔画运笔规律，提出了以手写体汉字基本笔画为研究对象，抽取运笔中的骨骼和笔压变化特征，形成各自的特征空间，并采用样本平均法和方差界定阈值的方法，实现笔迹的鉴定。研究选用10位书写者书写的信封，从中抽取4种基本笔画，形成特征数据库。然后采用40封笔迹信件与6000封非书写者书写的真实信件进行鉴定，用识别率和误识率两种参数来检验此方法，实验取得了满意的效果，证实了该研究方法可以完全克服以往笔迹鉴定中结体依存性带来的不足，大大缩小了辞书空间，对推广和完善本研究的实用性具有参考价值。     

基于特征反馈的手写体汉字识别系统研究

针对传统基于开环的汉字识别系统不完全符合人类识字过程的问题,构建了一种具有反馈结构的仿人智能识别系统。该系统根据待识别汉字的多模态定性识别结果来选择最佳的首轮识别方案,在完成识别之后,提取广义识字误差对候选字进行可信度判断和反馈校正。设计了3种广义识字误差,通过对这3种广义识字误差的类型和数值进行定性与定量相结合的分析,建立了识别结果的可信度评价指标体系和反馈校正决策机制。仿真实验结果验证了方法的可行性。     

根据轮廓特征识别手写体字符的方法

本文讨论一种根据字符轮廓所提取的结构特征进行识别的方法,它的主要特点是：１．通过单次扫描二值化图象即可有效地完成边缘平滑,轮廓提取和孔洞的简单测量（如区域和最小包围矩形等）;２．通过轮廓边缘点的角度／斜率变化和左右边界的极值点提取轮廓的结构特征;３．通过对大字符集的学习,可不断修改,完善算法,以适应不同类型字符的识别。     

一种基于骨架特征和神经网络的手写体字符识别技术

对英文字符集的识别问题,提出了一种依据细化后的字符骨架特征进行分类,并对每一类别的字符各自建立神经网络进行训练和识别的方案。在二值图象理论的基础上,通过对字符轮廓特征的分析,提出了一种对英文字符集的分类方案,同时提出了一种快速有效的骨架链码形成和特征提取算法。     

手写中文速记符中音箱的动态规划识别方法

本文在分析英文速记识别技术以及中文速记特点的基础上，提出了中文速记符的自动识别策略，并且以“人群速记”体系为研究对象，详细描述了用于识别速记符中２９７个音符的动态规划识别过程。通过采用局部平滑预处理，以及基于速记符形状特征和结构特征的粗分类措施，大大提高了动态规划识别速度和正确识别率，初步实验表明，对特定人书写的２９７个人群速记音符用动态规划法进行识别，正确识别率能达到９３％以上。     

基于混合核函数的脱机手写汉字识别

脱机手写汉字识别是模式识别领域一项难题.支持向量机(SVM)也是近年来发展起来并成功的用于模式分类的新型机器学习方法,由训练集和核函数完全刻画.其中核函数的选择决定了支持向量机的性能,由于普通核函数各有其利弊,为了得到学习能力和泛化性能都很强的核函数来吸收手写汉字的变形,采用混合核函数,并运用于手写体汉字分类.实验结果表明混合核函数对手写体汉字的分类识别率要高于由普通单个核函数构造的支持向量机.     

ART2神经网络在手写体汉字识别中的应用

该文提出了一种基于神经网络的手写体汉字识别方法,该算法充分利用神经网络的自适应学习能力。ART2网络通过竞争学习和自稳机制原理实现分类,可以在非平稳的、有干扰的环境中进行无教师无监督的自学习。其学习过程是自组织的实时学习,能够迅速识别已学习过的样本,并能迅速适应未学习过的新对象。考虑到Gabor滤波器具有优良的方向性,该算法采用Gabor特征作为字符特征。Gabor特征反映字符的空间分布特征,而且可以组合成高维矢量,特别适用于汉字识别这大型模式识别场合。实验结果显示,该算法对测试样本识别正确率达到94％,比其他方法更准确、更可靠。     

基于弹性网格和Legendre矩的手写体汉字识别方法

特征提取是手写体汉字识别的关键环节。论文提出了一种新的特征提取方法,即基于特征融合技术将弹性网格变换和Legendre矩变换结合起来,用弹性网格变换提取局部特征,用正交Legendre矩提取全局特征,然后使用K-L变换进行特征压缩,消除冗余信息。实验证明该方法是行之有效的。